論文の概要: Generative Design of Physical Objects using Modular Framework
- arxiv url: http://arxiv.org/abs/2207.14621v1
- Date: Fri, 29 Jul 2022 11:41:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-01 12:32:06.180372
- Title: Generative Design of Physical Objects using Modular Framework
- Title(参考訳): モジュラーフレームワークを用いた物理オブジェクト生成設計
- Authors: Nikita O. Starodubcev, Nikolay O. Nikitin, Konstantin G. Gavaza,
Elizaveta A. Andronova, Denis O. Sidorenko, Anna V. Kalyuzhnaya
- Abstract要約: 本稿では、任意の生成設計問題に対する一般的なアプローチを定式化し、GEFESTと呼ばれる新しいフレームワークを提案する。
開発されたアプローチは、サンプリング、推定、最適化の3つの一般的な原則に基づいている。
GEFESTフレームワークの有効性を確認するために,一連の実験を行った。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent years generative design techniques have become firmly established
in numerous applied fields, especially in engineering. These methods are
demonstrating intensive growth owing to promising outlook. However, existing
approaches are limited by the specificity of problem under consideration. In
addition, they do not provide desired flexibility. In this paper we formulate
general approach to an arbitrary generative design problem and propose novel
framework called GEFEST (Generative Evolution For Encoded STructure) on its
basis. The developed approach is based on three general principles: sampling,
estimation and optimization. This ensures the freedom of method adjustment for
solution of particular generative design problem and therefore enables to
construct the most suitable one. A series of experimental studies was conducted
to confirm the effectiveness of the GEFEST framework. It involved synthetic and
real-world cases (coastal engineering, microfluidics, thermodynamics and oil
field planning). Flexible structure of the GEFEST makes it possible to obtain
the results that surpassing baseline solutions.
- Abstract(参考訳): 近年、生成設計技術は多くの応用分野、特に工学においてしっかりと確立されている。
これらの手法は有望な見通しのために集中的な成長を示している。
しかし、既存のアプローチは、検討中の問題の特異性によって制限されている。
加えて、彼らは望ましい柔軟性を提供していません。
本稿では、任意の生成設計問題に対する一般的なアプローチを定式化し、その基盤としてGEFEST(Generative Evolution for Encoded STructure)と呼ばれる新しいフレームワークを提案する。
開発されたアプローチは、サンプリング、推定、最適化の3つの原則に基づいている。
これにより、特定の生成設計問題の解に対する解法調整の自由が確保され、最適な解を構築できる。
GEFESTフレームワークの有効性を確認するために,一連の実験を行った。
これには、合成および実世界のケース(沿岸工学、マイクロ流体学、熱力学、油田計画)が含まれていた。
GEFESTの柔軟な構造により、ベースラインソリューションを超える結果を得ることができる。
関連論文リスト
- Generative Topology Optimization: Exploring Diverse Solutions in Structural Design [11.585099298173285]
トポロジー最適化(英: Topology Optimization、TO)は、公式な問題記述から準最適ジオメトリを導出する計算手法のファミリーである。
生成トポロジ最適化(GenTO)は,ニューラルネットワークを用いて構造に適合した形状を生成するデータフリーな手法である。
我々は,GenTOがほぼ最適性を維持しながら,従来手法よりも多様な解を生成することを示す。
論文 参考訳(メタデータ) (2025-02-17T21:24:18Z) - Towards Autonomous Experimentation: Bayesian Optimization over Problem Formulation Space for Accelerated Alloy Development [0.31457219084519]
問題定式化空間上のベイズ最適化を利用して最適な設計定式化を同定する新しい枠組みを提案する。
ガスタービンエンジンブレード応用を目的としたMo-Nb-Ti-V-W合金系におけるインサイリコケーススタディにより,本手法の有効性を実証した。
今後は、人間のフィードバックを取り入れて、実世界の実験環境におけるシステムの適応性をさらに強化していく予定だ。
論文 参考訳(メタデータ) (2025-02-09T01:05:58Z) - Diffusion Model for Data-Driven Black-Box Optimization [54.25693582870226]
我々は、強力な生成AI技術である拡散モデルに注目し、ブラックボックス最適化の可能性について検討する。
本研究では,1)実数値報酬関数のノイズ測定と,2)対比較に基づく人間の嗜好の2種類のラベルについて検討する。
提案手法は,設計最適化問題を条件付きサンプリング問題に再構成し,拡散モデルのパワーを有効活用する。
論文 参考訳(メタデータ) (2024-03-20T00:41:12Z) - Designing MacPherson Suspension Architectures using Bayesian
Optimization [21.295015276123962]
コンプライアンステストは、まず、規律モデルを用いたコンピュータシミュレーションによって行われる。
このシミュレーションを通した設計は、物理的プロトタイピングとして考慮される。
提案手法は汎用的で,スケーラブルで,効率的であることを示す。
論文 参考訳(メタデータ) (2022-06-17T21:50:25Z) - Revisiting GANs by Best-Response Constraint: Perspective, Methodology,
and Application [49.66088514485446]
ベストレスポンス制約(Best-Response Constraint、BRC)は、ジェネレータのディスクリミネータへの依存性を明示的に定式化する一般的な学習フレームワークである。
モチベーションや定式化の相違があっても, フレキシブルBRC法により, 様々なGANが一様に改善できることが示される。
論文 参考訳(メタデータ) (2022-05-20T12:42:41Z) - Bayesian optimization with known experimental and design constraints for
chemistry applications [0.0]
実験計画アルゴリズムであるPhoenicsとGryffinを拡張して、任意の制約を扱えるようにします。
2つのシミュレーション化学研究シナリオでその実用性を解説する。
論文 参考訳(メタデータ) (2022-03-29T22:16:54Z) - A Generic Approach for Enhancing GANs by Regularized Latent Optimization [79.00740660219256]
本稿では,事前学習したGANを効果的かつシームレスに拡張できる,エミュレーティブモデル推論と呼ばれる汎用フレームワークを提案する。
我々の基本的な考え方は、ワッサーシュタイン勾配流法を用いて与えられた要求に対する最適潜時分布を効率的に推算することである。
論文 参考訳(メタデータ) (2021-12-07T05:22:50Z) - Reinforcement Learning for Flexibility Design Problems [77.37213643948108]
フレキシビリティ設計問題に対する強化学習フレームワークを開発した。
実験の結果、RL法は古典的手法よりも優れた解を常に見出すことがわかった。
論文 参考訳(メタデータ) (2021-01-02T02:44:39Z) - Optimization-Inspired Learning with Architecture Augmentations and
Control Mechanisms for Low-Level Vision [74.9260745577362]
本稿では,GDC(Generative, Discriminative, and Corrective)の原則を集約する,最適化に着想を得た統合学習フレームワークを提案する。
フレキシブルな組み合わせで最適化モデルを効果的に解くために,3つのプロパゲーティブモジュールを構築した。
低レベル視覚タスクにおける実験は、GDCの有効性と適応性を検証する。
論文 参考訳(メタデータ) (2020-12-10T03:24:53Z) - AdaLead: A simple and robust adaptive greedy search algorithm for
sequence design [55.41644538483948]
我々は、容易で、拡張性があり、堅牢な進化的欲求アルゴリズム(AdaLead)を開発した。
AdaLeadは、様々な生物学的に動機づけられたシーケンスデザインの課題において、アートアプローチのより複雑な状態を克服する、驚くほど強力なベンチマークである。
論文 参考訳(メタデータ) (2020-10-05T16:40:38Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。